**中文标题:**
基于收获前无人机多光谱时序影像的中间小麦草(Thinopyrum intermedium)种子产量预测模型——多年份随机森林算法在半干旱环境中的附加价值
《Agronomy Journal》:Predictive models of seed yield in intermediate wheatgrass (Thinopyrum intermedium): The added value of a time series of multispectral imagery in semiarid environments
编辑推荐:
由于中间小麦草(Thinopyrum intermedium,亦称 intermediate wheatgrass [IWG])种子产量这一重要性状存在较高的年际和空间变异性,对多年生谷物种子产量的准确估算仍是一项挑战。研究人员评估了收获前无人机(unma
由于中间小麦草(Thinopyrum intermedium,亦称 intermediate wheatgrass [IWG])种子产量这一重要性状存在较高的年际和空间变异性,对多年生谷物种子产量的准确估算仍是一项挑战。研究人员评估了收获前无人机(unmanned aerial vehicle [UAV])获取的多光谱植被指数(vegetation indices [VIs])在预测IWG种子产量方面的潜力,试验在美国犹他州北部开展,跨越连续三个生长季(2022–2024年)。研究人员将整合所有年份的全局随机森林(Random Forest [RF])模型与各年份独立模型进行了比较,采用标准评价指标(决定系数R2、均方根误差RMSE、平均绝对误差MAE和Lin一致性相关系数LCCC)。全局模型优于各单年份模型(R2 = 0.813;RMSE = 24.3 kg ha?1)。对叶绿素敏感的指数,如绿色归一化差值植被指数(GNDVI)和绿色叶绿素指数(CIG),被列为最具影响力的预测因子,而经典指数如归一化差值植被指数(NDVI)和比值植被指数(RVI)的预测能力有限。这些发现突显了收获前无人机影像在多年生牧草产量预测中的有效性,并支持多年份模型训练框架的应用。
**论文解读文章:**
**一、研究背景与意义**
美国西部半干旱草地生态系统正面临日益严重的干旱威胁,持续加剧的高温和降水模式的改变导致土壤水分下降,多年生饲草系统的生产力受到显著负面影响。在此背景下,中间小麦草(Thinopyrum intermedium,简称IWG)作为一种冷季型多年生禾草,因其深根系、长营养生长周期以及减少土壤扰动的需求,展现出在半干旱环境中实现可持续生产的潜力。IWG传统上用作饲草,近年以Kernza为商标被开发为粮饲兼用型作物,其提升土壤稳定性、碳固存和养分保持等多重生态功能备受关注。
然而,IWG育种计划虽在落粒性、抗倒伏性和籽粒大小等驯化性状上取得进展,但受限于基因型与环境的互作效应以及大田试验中表型鉴定的困难,产量改良仍进展缓慢。传统产量评估依赖破坏性、劳动密集的人工收获方式,耗时且限制了可测量的重复数、性状数和家系数。此外,当前基于样方或全小区收获后外推至单位面积产量的方法未考虑植株建植的空间变异(如出苗不良或死亡造成的有效面积差异),影响育种选择的准确性。因此,亟需发展整合遥感与机器学习(machine learning [ML])的高通量表型(high-throughput phenotyping [HTP)平台,以加速农艺性状评估并提升选择精度。
本研究旨在开发基于无人机(unmanned aerial vehicle [UAV])多光谱影像和机器学习的IWG种子产量预测框架,核心目标包括:(1)评估无人机多光谱影像结合ML算法预测小区级种子产量的有效性;(2)识别与半干旱田间条件下产量表现最密切关联的植被指数(vegetation indices [VIs])。
**二、关键技术方法概述**
本研究在美国犹他州北部里士满(Richmond)的犹他州立大学研究农场开展,试验地海拔约1377 m,属于山间西部的半干旱区,土壤为Nibley系列的粉砂黏壤土。试验面积0.612公顷,于2020年建植,包含871个半同胞家系及对照品种Kernza-2019(TLI-C5)、Oahe和Rush,采用随机完全区组设计,两次重复,共1800个小区。2020年建植后进行灌溉确保成活,此后完全依赖自然降水。种子产量数据收集于2022、2023和2024年三个生长季(分别对应第二、三、四年生产),使用Wintersteiger Classic Plus小型小区联合收割机收获。
无人机影像采集采用搭载MicaSense Altum-PT传感器的DJI Matrice 600 Pro六旋翼平台,目标飞行高度34.8 m,地面采样距离约1.5 cm(2022年5月13日飞行除外,为120 m高度,5.25 cm分辨率)。每个生长季约每月飞行一次,覆盖从早春雪融后至收获前的完整生长季。通过Emlid Reach RS2/RS2+ RTK GNSS实现测量级地理配准,并利用校准反射板和下行光传感器(downwelling light sensor [DLS 2])进行辐射定标。影像处理采用OpenDroneMap软件生成正射镶嵌图,在QGIS中完成地理配准和小区边界划定,利用自定义Python脚本提取小区级反射率并计算一系列VIs。建模采用随机森林(Random Forest [RF])算法,以70%数据训练、30%数据测试,通过袋外误差最小化进行模型调优,以R
2、均方根误差(RMSE)、平均绝对误差(MAE)和Lin一致性相关系数(LCCC)评估模型性能。
**三、主要研究结果**
**3.1 各年份种子产量**
2021至2024年四年观测期间,种子产量呈现显著的年际变异。2023年中位产量最高(1021 kg ha
?1),其次是2021年(465 kg ha
?1)、2022年(454 kg ha
?1),2024年急剧下降至131 kg ha
?1。2023年四分位距(interquartile range [IQR])亦为最大,表明产量分布变异性更高;2024年IQR最窄。成对Wilcoxon检验证实各年份间差异均达统计显著水平。
**3.2 全局产量预测模型中植被指数的重要性**
表现最优的三个模型为全局收获前模型、全局七月模型和全局六月模型。在收获前模型中,NDVI和CIG被评为最具影响力的变量,其次是叶绿素指数红边(CIRE)、GNDVI和RVI。七月模型中NDVI重要性最高,其次为RVI、亮度指数(BI)和强度-色调-饱和度(IHS)指数。六月模型中CIRE重要性居首,NDRE紧随其后,GNDVI、CIG和差值植被指数(DVI)亦为重要预测因子。五月模型中,颜色植被指数(CVI)重要性最高,其次是DVI和光谱斜率饱和指数。
**3.3 收获前模型性能比较**
全局模型在预测精度上全面优于单年份单次飞行模型。全局六月、七月和收获前模型的R
2分别达0.842(LCCC = 0.916)、0.854(LCCC = 0.920)和0.817(LCCC = 0.901),而五月全局模型预测能力较弱(R
2 = 0.609,LCCC = 0.745)。单年份模型R
2范围从0.027(2024年5月)到0.551(2023年7月)。MAE和RMSE值在五月或八月模型中最高,六月模型中降低,七月模型中最低。
**3.4 残差误差模式**
评估了各模型残差的均值、标准差、最小值、最大值和全距。数项模型的残差均值接近零,表明系统偏差有限。2022年和2024年的单次飞行模型残差均值偏离零较远,提示可能存在系统性偏差。全局六月模型残差均值最接近零(0.30 kg ha
?1),为所有测试模型中偏差最小者。所有模型(全局和单月)的残差标准差相对于平均产量水平均较高,范围为95.64至265.57 kg ha
?1,表明模型对部分小区的拟合精度不足。
**四、讨论与结论**
**讨论要点:** 研究人员观察到IWG种子产量在2021–2024年期间存在显著年际变异,2023年产量最高、2024年急剧下降,这与该站点记录的气候异常吻合:2023年全年降水最高(437.4 mm),尤其集中在夏秋季;而2024年虽生长季整体较暖,但春夏降水减少。此外,林龄因素亦可能产生影响——作为多年生植物,IWG在第二或第三年生产后产量趋于下降,可能与生理衰老、分蘖密度降低和个体间竞争加剧有关。
在所有建模方案中,整合三年数据的全局模型均优于单年份单次飞行模型,这与已有研究关于多日期、多年份数据集可增强ML模型稳健性(通过增加样本多样性和暴露于更广泛的环境与物候变异)的结论一致。全局模型在收获前模型中性能略有下降,可能归因于2024年收获前飞行距实际收获33天,而2022年和2023年仅分别提前2天和8天,飞行时间差异较大。
关于光谱指数重要性,六月、七月和收获前全局模型中,与叶绿素含量、植被绿度和衰老相关的指数(CIRE、NDRE、GNDVI、CIG、NDVI)位居前列,表明植物和叶片色素浓度变异是影响产量的关键因素。GNDVI在冠层浓密条件下对叶绿素变异更敏感,在六月模型中重要性突出;而NDVI在高生物量作物中可能出现饱和效应,RVI受土壤亮度影响,这解释了二者在不同生长阶段模型中重要性的动态变化。五月全局模型预测能力较弱,部分原因可能是该时期位于IWG籽粒灌浆阶段之前,叶绿素等色素变化尚未充分反映产量潜力。
**研究局限性:** 本研究的建模框架仅基于单一试验站点数据,可能限制其向其他站点的可转移性。2022年种子未经进一步清选,可能高估真实产量,影响模型精度。所有模型的残差标准差和MAE/RMSE值均较高,表明模型更适合小区间产量的相对比较而非绝对产量估测,这对品种选育中的比较筛选仍具实用价值。
**研究结论:** 本研究证明了基于无人机多光谱影像结合机器学习在田间条件下预测IWG种子产量的潜力。跨三年(2022–2024)训练的全局模型在所有评价指标上均优于单年份模型,验证了整合时间变异性以增强模型稳健性的价值。与叶绿素含量和冠层活力相关的光谱指数(特别是GNDVI、CIG、CVI、NDVI和RVI)作为强预测因子持续出现,突显了色素基础指数在捕捉收获前冠层状态和种子形成潜力方面的生理相关性。NDRE作为预测因子的重要性进一步强调了色素检测类指数的价值,因其与衰老识别相关。相较于手持设备近地测量,无人机影像可更快速覆盖大面积区域(本研究每次飞行不超过30分钟),减少因光照变化引入的环境变异,并避免人工定位小区可能产生的误差。总体而言,本研究为多年生谷物系统中可扩展的、数据驱动的产量预测和植株选择工具的发展做出了贡献,为气候变异条件下的育种计划和精准农业提供了实践支撑。